Análisis de las Acciones del Índice Financiero de la Bolsa de Valores de Caracas: 2023-2025

Autor/a

Javier Melendez

Fecha de publicación

19 de febrero de 2025

Introducción

Este proyecto analizará el comportamiento de las acciones del índice financiero de la Bolsa de Valores de Caracas (BVC) entre enero de 2023 y febrero de 2025. El objetivo es proporcionar una herramienta analítica que permita importar, ordenar, transformar, visualizar y comunicar de forma efectiva la información obtenida directamente de la API de la BVC

Objetivo General

Realizar un análisis de los datos utilizando técnicas de importación, ordenamiento, transformación, visualización y comunicación, con el fin de identificar patrones y tendencias en el comportamiento de las acciones del índice financiero de la BVC.

Objetivos Específicos

1 Recolectar y preparar los datos: Extraer los datos crudos de la API de la Bolsa de Valores de Caracas y consolidarlos en un único DataFrame.

2 Aplicar técnicas de limpieza y transformación: Garantizar la integridad y consistencia de la información mediante la conversión de formatos y la corrección de inconsistencias.

3 Visualizar y comunicar los hallazgos: Desarrollar visualizaciones interactivas y tablas que permitan analizar, entre otros aspectos, el volumen de acciones negociadas y comunicar de forma efectiva los resultados.

Metodología

Obtención de Datos: Los datos se extraen mediante solicitudes POST a la API de la BVC, la cual provee acceso a la información histórica de las acciones.

Proceso: Para cada símbolo (por ejemplo, “BPV”, “BNC”, “BVCC”, “ABC.A”, “MVZ.A” y “MVZ.B”), se realiza una solicitud que obtiene datos crudos. Se implementan controles de error y se respeta una pausa entre solicitudes para evitar sobrecargar el servidor.

Proceso de Análisis de Datos se organiza en las siguientes fases:

Importar: Recolección de datos crudos desde la API.

Ordenar: Organización y combinación de la información en un DataFrame único.

Transformar: Limpieza de datos, conversión de formatos (como fechas y números)

Visualizar: Creación de gráficos interactivos y tablas para examinar, por ejemplo, la evolución del precio de cierre y el análisis del volumen de acciones negociadas.

Comunicar: Presentación de los resultados mediante visualizaciones claras e interactivas que faciliten la interpretación de los hallazgos.

Código 
library(httr)       # Para realizar solicitudes HTTP
library(jsonlite)   # Para procesar datos en formato JSON
library(lubridate)  # Para el manejo de fechas
library(dplyr)      # Para la manipulación de datos
library(purrr)      # Para aplicar funciones a listas y data frames
library(DT)         # Para visualización interactiva de tablas

Iniciamos nuestro análisis utilizando httr y jsonlite para extraer y convertir datos crudos de la API de la BVC.

Código 
obtener_datos_desnudos <- function(simbolo) {
  tryCatch({
    # Configurar solicitud HTT para obtener datos desde la API de la BVC
    headers <- add_headers(
      "User-Agent" = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
      "Referer" = "https://www.bolsadecaracas.com/historicos/"
    )
    
    # Realizar solicitud POST
    response <- POST(
      "https://www.bolsadecaracas.com/wp-admin/admin-ajax.php", 
      headers,
      body = list(action = "getHistoricoSimbolo", simbolo = simbolo),
      encode = "form",
      timeout(15)
    )
    
    # Verificar que la solicitud fue exitosa
    if (status_code(response) != 200) {
      message("Error en la respuesta para ", simbolo, ": ", status_code(response))
      return(NULL)
    }
    
    # Procesar JSON y devolver el contenido completo
    contenido <- content(response, "text", encoding = "UTF-8")
    datos_json <- fromJSON(contenido)
    return(datos_json)
    
  }, error = function(e) {
    message("Error procesando ", simbolo, ": ", e$message)
    return(NULL)
  })
}

Extracción de Datos para Cada Símbolo(“BPV”, “BNC”, “BVCC”, “ABC.A”, “MVZ.A”, “MVZ.B”)

Se define la lista de símbolos y se recorre uno a uno para extraer sus datos. Se introduce una pausa entre solicitudes para no sobrecargar el servidor.

Código 
# Lista de símbolos
simbolos <- c("BPV", "BNC", "BVCC", "ABC.A", "MVZ.A", "MVZ.B")

# Ejecución principal: recoger todos los datos sin limpieza
datos_finales <- list()

for (simbolo in simbolos) {
  message("Procesando: ", simbolo)
  datos <- obtener_datos_desnudos(simbolo)
  
  if (!is.null(datos)) {
    datos_finales[[simbolo]] <- datos
    Sys.sleep(1.5)  # Pausa para evitar saturar el servidor
  }
}

Optimización y Limpieza del DataFrame

Se combinan los datos obtenidos en un solo data.frame y se renombran columnas para mayor claridad.

Se convierte la columna de fecha de texto a tipo Date.

Identificación de acción: Se añade una columna ACCION para identificar el símbolo correspondiente.

Limpieza de datos numéricos: Se sustituyen comas por puntos para permitir la conversión correcta a tipo numérico.

Código 
datos_totales <- map_df(names(datos_finales), function(simbolo) {
  # Extraer el componente relevante
  df <- datos_finales[[simbolo]]$cur_hist_mov_emisora
  if (is.null(df)) {
    return(data.frame(ACCION = simbolo))
  }
  
  df <- as.data.frame(df)
  
  # Renombrar columnas según el formato requerido
  colnames(df) <- c("FECHA", "PRECIO_APERT", "PRECIO_CIE", "VAR_ABS", "VAR_REL", 
                    "PRECIO_MAX", "PRECIO_MIN", "N_OPERACIONES", 
                    "TITULOS_NEGOCIADOS", "MONTO_EFECTIVO")[1:ncol(df)]
  
  # Convertir la columna FECHA al formato Date (formato original: 'dd-mm-yy')
  df$FECHA <- as_date(df$FECHA, format = '%d-%m-%y')
  
  # Agregar la columna ACCION
  df$ACCION <- simbolo
  
  return(df)
}) %>%
  # Limpiar columnas numéricas: reemplazar puntos y comas para que sean interpretadas como números
  mutate(across(
    c(PRECIO_APERT, PRECIO_CIE, VAR_ABS, VAR_REL, 
      PRECIO_MAX, PRECIO_MIN, N_OPERACIONES, 
      TITULOS_NEGOCIADOS, MONTO_EFECTIVO),
    ~ as.numeric(gsub(",", ".", gsub("\\.", "", .)))
  ))

# Verificar la estructura final del DataFrame
str(datos_totales)
'data.frame':   6600 obs. of  11 variables:
 $ FECHA             : Date, format: "2025-02-19" "2025-02-18" ...
 $ PRECIO_APERT      : num  4.2 4.21 4.14 4.1 3.85 3.85 3.8 3.9 3.9 4.35 ...
 $ PRECIO_CIE        : num  4.22 4.2 4.21 4.14 4.1 3.85 3.85 3.8 3.9 3.9 ...
 $ VAR_ABS           : num  0.02 -0.01 0.07 0.04 0.25 0 0.05 -0.1 0 -0.45 ...
 $ VAR_REL           : num  0.47 -0.24 1.66 0.97 6.1 ...
 $ PRECIO_MAX        : num  4.22 4.23 4.23 4.3 4.14 4 3.88 3.89 4 4.34 ...
 $ PRECIO_MIN        : num  4.2 4.1 4.14 4.1 3.85 3.85 3.8 3.79 3.8 3.9 ...
 $ N_OPERACIONES     : num  41 54 61 47 52 38 60 54 59 39 ...
 $ TITULOS_NEGOCIADOS: num  77817 20581 9797 21894 48745 ...
 $ MONTO_EFECTIVO    : num  326981 86222 41302 91524 196334 ...
 $ ACCION            : chr  "BPV" "BPV" "BPV" "BPV" ...

3. Filtrado de Datos por Rango de Fechas

Se filtran los datos para conservar únicamente el período comprendido entre enero de 2023 y febrero de 2025.

Código 
# Definir el rango de fechas
inicio <- as.Date("2023-01-01")
fin    <- as.Date("2025-02-16")  # Incluye febrero 2025

# Filtrar el DataFrame para el rango deseado
datos_filtrados <- datos_totales %>% 
  filter(FECHA >= inicio & FECHA <= fin)

# Visualizar las primeras filas del conjunto filtrado
head(datos_filtrados)
       FECHA PRECIO_APERT PRECIO_CIE VAR_ABS VAR_REL PRECIO_MAX PRECIO_MIN
1 2025-02-14         4.10       4.14    0.04    0.97       4.30       4.10
2 2025-02-13         3.85       4.10    0.25    6.10       4.14       3.85
3 2025-02-12         3.85       3.85    0.00    0.00       4.00       3.85
4 2025-02-11         3.80       3.85    0.05    1.30       3.88       3.80
5 2025-02-10         3.90       3.80   -0.10   -2.63       3.89       3.79
6 2025-02-07         3.90       3.90    0.00    0.00       4.00       3.80
  N_OPERACIONES TITULOS_NEGOCIADOS MONTO_EFECTIVO ACCION
1            47              21894       91524.25    BPV
2            52              48745      196334.30    BPV
3            38             365637     1407897.18    BPV
4            60              54700      208731.09    BPV
5            54              18586       70787.24    BPV
6            59              36261      141295.01    BPV

Visualización de tabla Interactiva del DataFrame

Código 
datatable(datos_filtrados,
          rownames = FALSE,
          #
          options = list(
            dom = 'frtip',  # 'f' = filtro, 'r' = procesamiento, 't' = tabla, 'i' = info, 'p' = paginación
            lengthChange = FALSE,
            language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json'),
            pageLength = 5,
            initComplete = JS(
              "function(settings, json) {",
              "$(this.api().table().header()).css({'background-color': '#224eb2','color': '#fff'});",
              "}"
            ),
            Filter = 0
          ),
          escape = FALSE
) %>% 
  formatStyle(columns = colnames(.), fontSize = '50%')

4. Visualización de Gráficos

Se realizan dos tipos de visualizaciones para explorar la evolución de las acciones:

4.1. Gráficas Independientes por Acción

Tenemos un gráfico interactivo con Plotly que muestra la evolución del precio de cierre de varias acciones de la Bolsa de Valores de Caracas (BVC), permitiendo seleccionar qué acción visualizar a través de un menú interactivo.

Código 
# Cargar librerías necesarias
library(plotly)
library(dplyr)
library(scales)

# Lista única de acciones
acciones <- unique(datos_filtrados$ACCION)

# Crear una lista para almacenar la información de cada traza
trazas <- list()
for (accion in acciones) {
  datos_accion <- datos_filtrados %>% filter(ACCION == accion)
  
  # Definir el texto a mostrar en el hover (tooltip)
  hover_text <- paste("Fecha:", datos_accion$FECHA,
                      "<br>Precio Cierre:", dollar(datos_accion$PRECIO_CIE, prefix = "bs"),
                      "<br>N_OPERACIONES:", datos_accion$N_OPERACIONES,
                      "<br>TITULOS_NEGOCIADOS:", datos_accion$TITULOS_NEGOCIADOS,
                      "<br>MONTO_EFECTIVO:", datos_accion$MONTO_EFECTIVO)
  
  trazas[[accion]] <- list(
    x = datos_accion$FECHA,
    y = datos_accion$PRECIO_CIE,
    type = 'scatter',
    mode = 'lines',
    name = accion,
    line = list(width = 1.5),
    text = hover_text,
    hoverinfo = "text"  # Se indica que se usará el texto personalizado en el hover
  )
}

# Definir la visibilidad inicial: solo se muestra la primera acción
visibilidad_inicial <- sapply(acciones, function(x) x == acciones[1])

# Crear los botones del menú superior
botones <- lapply(seq_along(acciones), function(i) {
  # Vector de visibilidad: solo la traza i es visible
  vis <- rep(FALSE, length(acciones))
  vis[i] <- TRUE
  list(
    method = "update",
    args = list(
      list(visible = vis),  # Actualiza la visibilidad de las trazas
      list(title = paste("Evolución del Precio de Cierre de", acciones[i]))
    ),
    label = acciones[i]
  )
})

# Construir el gráfico
fig <- plot_ly()
for (i in seq_along(acciones)) {
  accion <- acciones[i]
  fig <- fig %>% add_trace(
    x = trazas[[accion]]$x,
    y = trazas[[accion]]$y,
    type = trazas[[accion]]$type,
    mode = trazas[[accion]]$mode,
    name = trazas[[accion]]$name,
    line = trazas[[accion]]$line,
    text = trazas[[accion]]$text,
    hoverinfo = trazas[[accion]]$hoverinfo,
    visible = visibilidad_inicial[i]
  )
}

# Configurar el layout del gráfico (incluye menú de actualización y rangos)
fig <- fig %>% layout(
  title = paste("Evolución del Precio de Cierre de", acciones[1]),
  updatemenus = list(
    list(
      type = "buttons",
      direction = "right",
      x = 0.5,  # Ajusta la posición horizontal según convenga
      y = 1.15, # Ajusta la posición vertical (por encima del gráfico)
      showactive = TRUE,
      buttons = botones
    )
  ),
  xaxis = list(
    title = "Fecha",
    rangeselector = list(
      buttons = list(
        list(count = 7, label = "1 Semana", step = "day", stepmode = "backward"),
        list(count = 1, label = "1 Mes", step = "month", stepmode = "backward"),
        list(count = 6, label = "6 Meses", step = "month", stepmode = "backward"),
        list(count = 1, label = "1 Año", step = "year", stepmode = "backward"),
        list(step = "all", label = "Todo")
      )
    ),
    rangeslider = list(visible = TRUE)
  ),
  yaxis = list(title = "Precio de Cierre (Bs)")
)

# Mostrar el gráfico
fig

En este gráfico se muestra la evolución del precio de cierre de varias acciones del Índice Financiero de BVC, este muestra todas las acciones en el mismo gráfico sin un menú de selección, lo que permite visualizar simultáneamente la evolución de cada una.

Código 
# Cargar librerías necesarias
library(plotly)
library(dplyr)
library(scales)

# Supongamos que 'datos_filtrados' es tu data frame con las columnas mencionadas.

# Crear el gráfico compartido
fig <- plot_ly()

for (accion in unique(datos_filtrados$ACCION)) {
  datos_accion <- datos_filtrados %>% filter(ACCION == accion)
  
  # Crear el texto para el tooltip
  hover_text <- paste("Fecha:", datos_accion$FECHA,
                      "<br>Precio Cierre:", dollar(datos_accion$PRECIO_CIE, prefix = "Bs"),
                      "<br>N_OPERACIONES:", datos_accion$N_OPERACIONES,
                      "<br>TITULOS_NEGOCIADOS:", datos_accion$TITULOS_NEGOCIADOS,
                      "<br>MONTO_EFECTIVO:", datos_accion$MONTO_EFECTIVO)
  
  fig <- fig %>% add_trace(
    x = datos_accion$FECHA,
    y = datos_accion$PRECIO_CIE,
    type = 'scatter',
    mode = 'lines',
    name = accion,
    line = list(width = 2),
    text = hover_text,
    hoverinfo = "text"
  )
}

# Configurar el layout del gráfico
fig <- fig %>% layout(
  title = "Evolución del Precio de Cierre - Acciones del Índice Financiero de Caracas",
  xaxis = list(
    title = "Fecha",
    rangeselector = list(
      buttons = list(
        list(count = 7, label = "1 Semana", step = "day", stepmode = "backward"),
        list(count = 1, label = "1 Mes", step = "month", stepmode = "backward"),
        list(count = 6, label = "6 Meses", step = "month", stepmode = "backward"),
        list(count = 1, label = "1 Año", step = "year", stepmode = "backward"),
        list(step = "all", label = "Todo")
      )
    ),
    rangeslider = list(visible = TRUE)
  ),
  yaxis = list(title = "Precio de Cierre (Bs)"),
  legend = list(
    orientation = 'h',  # Leyenda horizontal
    x = 0.5,
    xanchor = 'center',
    y = 1.15
  )
)

# Mostrar el gráfico
fig

5. Análisis del Volumen Negociado

Se analiza el volumen de negociación (títulos negociados) por año y acción, determinando cuál es la acción con mayor volumen negociado cada año y se genera un gráfico comparativo.

Cálculo del Volumen Anual

Código 
library(dplyr)
library(lubridate)

# Agregar la columna 'Año' a partir de 'FECHA'
datos_filtrados <- datos_filtrados %>%
  mutate(Año = year(FECHA))

# Resumen anual: total negociado por cada acción en cada año
volumen_anual <- datos_filtrados %>%
  group_by(ACCION, Año) %>%
  summarise(total_vol = sum(TITULOS_NEGOCIADOS, na.rm = TRUE)) %>%
  ungroup()

Identificación de la Acción con Mayor Volumen por Año

Código 
accion_favorita_anual <- volumen_anual %>%
  group_by(Año) %>%
  filter(total_vol == max(total_vol)) %>%  # Selecciona la acción con el mayor volumen en cada año
  arrange(Año) %>%
  ungroup()

# Mostrar la acción favorita por año
print(accion_favorita_anual)
# A tibble: 3 × 3
  ACCION   Año total_vol
  <chr>  <dbl>     <dbl>
1 BNC     2023 480023500
2 BNC     2024 184172700
3 BNC     2025  11084665

Gráfico Comparativo del Volumen Negociado

Código 
library(plotly)

fig_bar <- plot_ly(volumen_anual, 
                   x = ~Año, 
                   y = ~total_vol, 
                   color = ~ACCION, 
                   type = 'bar') %>%
  layout(title = "Comparativa del Volumen Negociado por Año y Acción",
         xaxis = list(title = "Año"),
         yaxis = list(title = "Total de Títulos Negociados"),
         barmode = 'group',
         legend = list(title = list(text = "<b>Acción</b>")))
fig_bar

Conclusiones del Proyecto

1. Importación y Organización Exitosa de Datos: Se logró extraer datos históricos de la API de la BVC para 6 símbolos clave (BPV, BNC, BVCC, ABC.A, MVZ.A, MVZ.B) mediante solicitudes POST y pausas controladas.

Los datos se consolidaron en un único DataFrame estructurado, con columnas renombradas y tipificación adecuada (fechas como Date, valores numéricos limpios).

2. Calidad y Consistencia de los Datos: La transformación incluyó corrección de formatos (ej. comas como separadores decimales) y filtrado por el rango 2023-2025, asegurando integridad para análisis posteriores.

Se identificaron acciones con mayor volumen anual (ej. BNC o BPV destacaron en ciertos años), revelando líderes en liquidez.

3. Patrones y Tendencias Claras:Los gráficos interactivos mostraron volatilidad en precios de cierre, con movimientos significativos en períodos específicos

El volumen negociado varió notablemente entre acciones, sugiriendo diferencias en atractivo para inversionistas.

Recomendaciones

Monitoreo Continuo: Actualizar el análisis con nuevos datos para validar tendencias y ajustar modelos predictivos.

Incorporando Factores Externos:

Decisiones corporativas: Dividendos, emisiones de nuevas acciones, fusiones o cambios en la estructura de la empresa pueden afectar los precios.

Factores macroeconómicos: Inflación, tasas de interés, políticas cambiarias y crisis económicas pueden influir en el mercado bursátil.